Nos últimos meses se tornou uma constante ouvir que a chave para superar os desafios de investimentos e relatórios ESG está nos dados e nos recursos baseados em IA. Usados corretamente, eles podem abrir caminho para aceleração, escala e inovação. Mas para tal, a coleta de dados ESG precisa ser capaz de fornecer dados “adequados à finalidade”. E o mercado precisa padronizar os indicadores ESG.
“Enquanto tivermos um grau de dispersão muito grande entre as diversas formas de olhar o impacto ESG, entre os diferentes critérios utilizados, será muito cedo para poder confiar em um algoritmo de decisão que oriente os investimentos”, opina Ed Morata, fundador da consultoria ForFuturing.
Por exemplo, um estudo recente descobriu que, em um conjunto de dados de cinco agências de classificação ESG, as correlações entre as pontuações em 823 empresas foram, em média, de apenas 0,61. Sem padronização nas classificações é difícil para os investidores comparar os índices criados por diferentes provedores.
Mas o executivo reconhece que a IA pode ser bastante útil na checagem de fontes de dados para reforçar, validar ou desacreditar o auto-relato das empresas (farejando greenwashers) e lidar com as áreas cinzentas criadas pela falta de padrões de divulgação. Por exemplo, a consultoria de IA Nexus FrontierTech estabeleceu uma nova iniciativa em Cingapura para transformar a tecnologia em uma ferramenta para coletar e processar dados qualitativos. A solução ajuda as partes interessadas a extrair grandes quantidades de dados qualitativos e não estruturados por meio da automação. Até agora, a coleta de dados das mídias sociais, notícias locais diárias e relatórios recém-disponíveis era lenta, realizada manualmente, sujeita a erros e muito cara.
Nesse sentido, os sistemas orientados por algoritmos começam a representar uma virada de jogo em potencial na promoção da agenda ESG, já que eles podem rastrear informações na internet de forma fácil e eficaz e extrair dados não estruturados sobre empresas de uma variedade de fontes. Depois, analisar e converter rapidamente esses dados em dados estruturados utilizáveis, reduzindo drasticamente o problema de assimetria de informações. Além disso, usando tecnologias de processamento de linguagem natural para realizar análises de sentimento, contextuais e semânticas, eles já conseguem identificar o tom das conversas, comparando as palavras usadas com um conjunto de referência de informações existentes.
Muito do potencial para inteligência artificial em investimentos ESG vem de algoritmos de análise de sentimento. Esses algoritmos permitem que os computadores analisem o tom de uma conversa, uma tarefa que o código não poderia realizar com tanta eficácia. Por exemplo, um programa treinado para ler as transcrições das chamadas de lucros trimestrais de uma empresa pode determinar o tom das palavras quando o CEO fala, para identificar facilmente em quais partes da conversa estão os tópicos relacionados a ESG e, em seguida, inferir dessas palavras usadas o quão comprometida uma empresa parece estar com a mitigação de riscos ambientais.
Para os provedores de classificação e índice, os sinais em tempo real costumam representar avisos antecipados e indicadores oportunos, dando-lhes imagens muito mais claras das empresas em seus índices. Eles também podem ampliar o escopo da análise usando informações derivadas de IA para complementar seus dados e métodos quantitativos atuais.
Também a Amundi e a IFC estão colaborando em pesquisas, análises e ferramentas de IA para aumentar a disponibilidade de dados ESG, aumentar a transparência do emissor, criar infraestrutura de relatórios para mercados emergentes e apoiar a harmonização dos padrões de relatórios.
Além dissso, cada vez mais um conjunto especializado de empresas vem aplicando métodos de aprendizado de máquina e inteligência artificial para avaliar quais metas ESG corporativas estão gerando melhores resultados e quais são apenas fachada.
O greenwashing é perigoso porque pode ser uma ferramenta de marketing muito poderosa. Ao usá-lo, as marcas podem induzir as pessoas a comprar produtos e promover práticas comerciais que são prejudiciais ao meio ambiente e contribuem para a crise climática.
- Ao centralizar suas práticas em torno da sustentabilidade e proteção do meio ambiente, as marcas podem construir rapidamente fama e relevância globais.
- Agora que muitos começam aa trabalhar com IA, as marcas não podem mais se safar e enganar para aumentar sua imagem perante clientes, investidores ou funcionários.
A esperança é que esse tipo de análise rigorosa de Big Data de tudo, desde a sustentabilidade aos comentários do LinkedIn, possa detectar quais práticas estão gerando valor e quais estão apenas atrapalhando – e se a pesquisa conduzida por IA supera a pesquisa conduzida por analistas.
final de contas, os dados são um eixo fundamental do relatório ESG. As empresas precisam garantir que as informações em suas divulgações ESG sejam adaptadas às necessidades das partes interessadas (relevância do setor, frequência de relatórios), comparáveis , confiáveis e verificáveis .
O grupo de serviços financeiros Ping An, por exemplo, vem usando Big Data e IA para conduzir novas estratégias de investimento ESG, explorando dados baseados em divulgação de bot e dados não divulgados para fornecer aos investidores informações multidimensionais mais ricas.
Portanto, concentrar-se no “o quê” e “como” com as tecnologias IA pode permitir que a estratégia ESG de uma empresa se torne fortemente vinculada às metas gerais de sustentabilidade.
Como bem resumiu James Lee, da PwC:
1. A estratégia ESG deve ser orientada por dados
A natureza empírica e baseada em métricas do ESG significa que os dados e a IA devem desempenhar um papel central na coleta, verificação e análise do desempenho de sustentabilidade. Independentemente das metas de sustentabilidade de uma organização (emissões líquidas zero, cadeia de fornecimento sustentável, investimento responsável, finanças sustentáveis ), uma estratégia ESG baseada em dados que segue os seguintes princípios de qualidade de dados aumentaria a transparência e a confiança:
Objetividade – os dados são coletados de fontes diversas e rastreáveis para minimizar preconceitos e lavagem verde.
Materialidade – as ponderações são aplicadas a diferentes pontos de dados com base na relevância do negócio e em fatores específicos do setor ou geografia.
Frequência – os dados podem ser coletados em lote, quase em tempo real ou em tempo real para relatórios oportunos.
Comparabilidade – os dados podem ser agregados e comparados em uma base relativa.
2. Mas mais de 70% dos dados ESG são dados não estruturados
Pense em todo o texto que precisa ser analisado na divulgação de sustentabilidade corporativa ou nos insights que precisam ser extraídos das mídias sociais. Hoje, muitas empresas ainda usam um processo manual para coletar dados ESG internos (consumo de água, emissões de carbono, dados demográficos da força de trabalho) para divulgação ESG e essas fontes de dados geralmente estão espalhadas em bancos de dados distintos em vários formatos e esquemas. Somando-se à complexidade da coleta de dados, estão as necessidades de trazer fontes de dados externas relevantes (e materiais) e conjuntos de dados alternativos para a análise ESG.
Centralizar os dados em um data lake baseado em nuvem , juntamente com um processo ágil de governança de dados, é uma solução prática para as organizações melhorarem o acesso aos dados e a qualidade dos dados ESG. Além disso, ter os dados acessíveis significa que as métricas ESG podem ser divulgadas com mais frequência.
3. Há necessidade de analisar as métricas ESG para benchmarking, autocorreção e conformidade
Uma vez que as várias fontes de dados (estruturados, não estruturados, conjuntos de dados alternativos) são ingeridos e selecionados no data warehouse centralizado baseado em nuvem, as empresas podem realizar análises para obter uma visão holística e compreensão de seu próprio desempenho ESG. Por exemplo, eles podem usar aprendizado de máquina, processamento de linguagem natural (NLP) e ferramentas de visualização de dados para extrair os dados e realizar análises de transformação XBRL / ESEF. Internamente, isso permite autocorreção e benchmarking para melhorar a conformidade com seus objetivos de sustentabilidade. Externamente, terceiros (por exemplo, agências de classificação) podem usar esses formatos para comparar organizações no mesmo setor ou em relação a um pilar ESG específico.
4. Por isso, busca-se a automação de relatórios ESG e a verificação de divulgações
Soluções de automação inteligente, como análises avançadas e RPA, podem ser combinadas para aumentar a transparência e agilidade nos relatórios ESG , automatizando o processo de coleta de dados, criação e verificação de relatórios. Por exemplo, um cientista de dados pode extrair dados de texto para fins de verificação usando técnicas de IA de Processamento de Linguagem Natural (extração de informações de texto de forma programática) para análise de gráfico (aprendendo como diferentes entidades influenciam o ESG umas das outras). As tecnologias RPA também podem ser usadas para automatizar tarefas manuais e repetitivas (por exemplo, extração de dados estruturados de fontes distintas) que geralmente são necessárias para montar o relatório.
Visão geral de um cenário de dados ESG típico, segundo James Lee
Onde mais poderemos ver a IA no mundo ESG?
A consultoria Accenture aponta quatro etapas para o sucesso em investimentos ESG – aproveitando dados e inteligência artificial:
1. Criar uma base de dados significativa
Questões relacionadas aos dados – incluindo disponibilidade inconsistente e preocupações com a qualidade – podem dificultar a inclusão de dados ESG essenciais no processo de investimento e relatar o desempenho ESG aos clientes. Para superar esses desafios, as empresas precisam estabelecer a base de dados certa e uma arquitetura escalonável de dados e tecnologia que cubra todas as fases do ciclo de vida dos dados – da captura à curadoria e do consumo à capacidade de ação.
Essa arquitetura é vital, porque os grandes volumes de dados não estruturados e incompatíveis disponíveis hoje apresentam um grande desafio para os gerentes de ativos que buscam investimentos compatíveis com ESG. Ao acessar e dar sentido a novos sinais de dados de um universo de dados em expansão – incluindo fontes online/sociais e não tradicionais – os gerentes podem abrir novas descobertas e criar pontuações personalizadas. Um exemplo é o uso de dados de detecção de IA para gerar medidas proprietárias de risco ambiental.
Por exemplo, empresas líderes estão utilizando visão computacional e imagens de alta resolução para medir a erosão da praia. Os benefícios resultantes de tais atividades podem ser amplificados pelo uso de automação para harmonizar dados em diferentes fontes, incluindo a criação de uma taxonomia comum e novos recursos de validação de dados e detecção de anomalias.
Para que tudo isso seja bem-sucedido, as empresas precisam de orientação sobre como selecionar e aplicar os fatores ESG corretos em sua classificação, extração e validação de dados, todos alinhados aos seus objetivos gerais de investimento. Ao esclarecer e codificar suas perspectivas internas sobre fatores ESG, os gerentes podem apoiar e melhorar sua tomada de decisão.
2. Usar a IA para impulsionar os investimentos ESG
Ao fornecer uma plataforma na qual os gestores de ativos podem experimentar e testar ideias de investimento, a IA agora está revolucionando rapidamente a forma como as empresas conduzem pesquisas. Investimentos recentes em tecnologias como blockchain podem ser integrados à plataforma de insight habilitada para IA, e várias fontes não estruturadas de dados externos podem ser combinadas para oferecer suporte à descoberta de portfólio e geração alfa. Essas tecnologias de IA podem processar grandes quantidades de dados – incluindo informações relacionadas ao ESG – e fornecer percepções valiosas e acionáveis para apoiar os investimentos em ESG.
3. Usar a IA para hiperpersonalizar a experiência do investidor
É claro que, para personalizar um investimento para um cliente, um gestor de ativos precisa primeiro entender as razões do cliente para estar no mercado e então recomendar o investimento certo no momento certo. A IA pode ajudar ao direcionar recomendações ajustadas às preferências e metas exclusivas de cada investidor, complementadas por atualizações dinâmicas em tempo real. Isso é importante para os investidores? Uma pesquisa recente do Morgan Stanley sugere que a resposta é sim: ela descobriu que 84% dos investidores desejam a capacidade de selecionar produtos alinhados com seus interesses pessoais de sustentabilidade.
4. Usar a IA para capacitar gerentes de investimento
Armado com os dados ESG corretos, o AI pode apoiar e melhorar a tomada de decisão dos gestores de ativos sobre a composição do portfólio para gerar alfa ou reduzir riscos. Isso aumentaria sua capacidade de gerenciar carteiras grandes e complexas com componentes ESG significativos. O uso inteligente da IA também pode ajudar a desenvolver “ciclos de aprendizagem”, usando decisões anteriores e modelar o desempenho em relação às expectativas para produzir recomendações para decisões futuras.
“No final das contas, trata-se de assumir o controle“, disse Emily Huang, executiva-chefe da Idaciti, uma empresa especializada em análise ESG baseada em aprendizado de máquina, durante uma sessão no evento inaugural GreenFin. “É aqui que a tecnologia pode ajudar a tornar os processos mais robustos, mais sistemáticos e mais confiáveis ao longo do tempo.”
Já na opinião da EY, a IA pode ajudar a medir KPIs em áreas como: confiança, cultura, riscos ESG e relatórios ESG. E auxiliar na tomada de decisões gerenciais, direcionando-as para áreas do negócio que precisam ser aprimoradas, enquanto analistas e investidores podem usá-los para tomar decisões de investimento e crédito. E até evitar o greenwashing.
E a Deloitte vê o forte crescimento dos investimentos focados em ESG levando a uma implementação mais ampla da tecnologia de IA entre os gestores de ativos, especialmente aqueles que procuram ganhar vantagem sobre seus concorrentes. Como as demandas dos investidores se alinham com as de outras partes interessadas, os executivos corporativos mais experientes irão, de maneira ideal, pressionar suas organizações, por sua vez, a atender às crescentes expectativas ESG e melhorar as perspectivas de valor de longo prazo.
Mas, como o investimento ESG envolve a consideração de oportunidades e riscos materiais de uma tomada de decisão sustentável, a IA também oferece enormes benefícios e riscos a serem observados. Resumindo, ao mesmo tempo que dá aos investimentos em ESG a oportunidade de crescer e se expandir, a tecnologia pode ser um risco ESG para empresas que desejam realizar esse esforço.
O outro lado é menos glamuroso
Adotar IA para qualquer finalidade pode representar um significativo impacto ambiental. O processo de criação e treinamento de algoritmos de IA requer grande capacidade de computação, que por sua vez consome grande quantidade de energia elétrica.
Novos algoritmos também podem replicar problemas existentes na sociedade se o conjunto de dados de treinamento for tendencioso. Por exemplo, alguns sistemas de reconhecimento facial são supostamente melhores no reconhecimento de homens brancos do que de mulheres negras, porque os conjuntos de dados de imagens existentes tendem a incluir mais homens e pessoas brancas. As preocupações éticas gerais sobre o uso de dados por tecnologias de IA podem ser especialmente relevantes para bancos e outras empresas financeiras, uma vez que possuem um vasto acervo de dados altamente pessoais.
ESG transcende questões ligadas ao meio ambiente. Aborda também questões ligadas à ética, perenidade e a mitigação dos riscos. Dentro deste conceito devemos tratar também os desafios de proteção de dados e relacionamento ético com clientes.
“No tema do G, do ESG, ou você está fazendo direito ou não está. Aí não tem meio termo. Se a empresa tem uma boa política de proteção de dados ela não tem com o que se preocupar. Se não tem, ESG é o menor dos problemas”, comenta Ed Morata.
Em outras palavras, quando uma empresa se posiciona atrelada à agenda ESG, o discurso só se sustentará se as suas práticas no mundo digital também forem coerentes e genuínas. Entre os cuidados necessários, podemos citar o investimento em segurança da informação e no mapeamento de dados, a criação de comitês de ética de algoritmos ou de ambientes multidisciplinares que definam o risco de uso e implementação dessas tecnologias, a preocupação com a diversidade, o fortalecimento do compliance para essa expertise, a criação de canais de relacionamento com os titulares dos dados, o relacionamento com juristas que realmente se especializaram nesses temas, e a integração da liderança e de todos os setores das empresas nessa estratégia.
Ser transparente, aberto e honesto com os consumidores, funcionários e investidores ajuda muito a construir confiança e prevenir reações adversas ou consequências desastrosas, mais tarde.